人工智能，曾经是科幻小说，计算世界的遥远梦想，现在已成为现实。人工智能，简称AI，用来描述机器模拟人类智能的能力。学习、逻辑、推理、感知、创造力等行为，曾经被认为是人类独有的，现在被技术复制并应用于各行各业。多年来，人工智能已经从计算机视觉的简单步骤发展到识别灰度手写数字，并扩展到能够识别人脸、执行对象检测和实例分割、渲染增强现实等的新技术。更多的。自然语言处理技术也开辟了新天地，随着海量数据集训练模型的开发可用于问答、情感分析等，新的语音检测和对话式AI技术的兴起等等。人工智能领域已经扩展到多个领域和新维度，使其可以用于跨多个任务的多个用例。以下是最近在人工智能方面取得的一些重大进展：使用深度学习开发新型强力抗生素：麻省理工学院的一个团队开发的深度学习模型已经确定了一种新的抗生素化合物，它成功地对抗了一些最常见的药物——世界上的耐药菌。新开发的药物由计算机模型选择，该模型有可能在短短几天内筛选出超过1亿种化合物。研究人员设计了他们的模型，以寻找可以使分子有效杀死某些种类细菌的化学特征。他们在2,500个分子上训练了神经网络模型，包括1,700种FDA批准的药物和800种具有不同结构和生物活性的天然产物。在针对五种细菌的实验室测试中，研究人员发现其中八种分子具有抗菌活性，其中两种是有效的。研究人员现在计划进一步测试这些分子，并在用于该过程的数据库中进一步筛选它们。目前筛选新抗生素的方法既昂贵又费时，这种模式有望给医疗行业带来巨大的推动力。对产品的深入理解和新的购物体验：Facebook的AI团队开发了一种名为GrokNet的计算机视觉模型，旨在通过充当AI生活方式助手来重新定义购物，该助手可以学习人们的品味并大大简化购物流程。购物时因商品种类繁多而感到沮丧和优柔寡断是一种普遍的感觉。Facebook开发的模型使用最先进的图像识别模型，根据对个人已有物品的分析得出的个人品味推荐购买的产品。它还可以生成对象的虚拟副本，以便可视化该物品将如何放置在房间或人体中。您会发现自己穿着即将购买的衣服或配饰，这是一个更好的选择。试用室很快就会变得多余！该方法使用对象检测器来识别图像中可能产品周围的框，将每个框与已知产品列表进行匹配，并将所有匹配保持在相似度阈值内。它可以预测图像的各种属性，例如图像的类别、属性和可能的??搜索查询。它还预测可用于执行诸如产品识别、视觉搜索、视觉相似产品推荐、排名、个性化、价格推荐等任务的嵌入（例如“指纹”）。该模型已部署在FacebookMarketplace上，并且已经在重塑购物体验。通过学习用户行为自动创建业务流程自动机：英国初创公司ZappyAI承担了一项一度艰巨的任务，即理解并自动为企业流程创建自动化。回到自动化的早期，该技术无法将流程中之前完成的工作与现在正在进行的工作联系起来。自动化工具将需要大量编码和配置，而没有任何认知能力。人工智能驱动的系统使用长期记忆来识别可以自动化的业务流程。它可以找出正在执行的业务流程中涉及的决策和逻辑，并生成对组织内自动化机会的分析。ZappyAI计划使用这种AI技术来运行组织流程分析的支柱，从而为公司节省无数理解和数字化业务流程的人力。微型AI—在消费设备上运行的AI谷歌、亚马逊、苹果和IBM等现代大型科技公司已经开发出可以直接从人们的手机和其他消费设备运行而无需与它们通信的AI算法。与云服务交互的技术，传统上缺乏强大的计算硬件。被称为“微型AI”的研究人员通过一种称为“知识蒸馏”的过程缩小了现有AI模型的大小，而不会损失任何算法能力或性能速度。该技术的优势包括由于设备和云之间没有通信而导致的零延迟，以及更少的隐私问题。减少人工智能的碳足迹训练深度学习人工智能模型所需的计算能力是巨大的——马萨诸塞大学（阿默斯特）的一份报告估计由此产生的二氧化碳排放量平均约为626,000磅（重量）。这相当于美国普通汽车在其使用寿命期间产生的二氧化碳量的五倍。在模型的部署阶段，随着具有不同属性和资源的多个硬件平台的参与，这个问题变得更加严重。麻省理工学院的研究人员开发了一个网络来解决这个问题，称为“allatonce”网络，可以将碳排放量减少到传统模型产生的总排放量的1/1300。研究人员基于相对较新的AI进步AutoML（用于自动机器学习）构建了该系统，它消除了手动网络设计。单个大型“所有人共享”(OFA)网络充当“父”网络，嵌套大量从“父”网络稀疏激活的子网络。OFA网络学习的权重将与所有子网络共享，从而导致在此过程中对子网络进行实质上的预训练。在推理时，每个子网络都使用其派生的权重独立运行，无需额外训练。
